DeepSeek готує конкурента Claude Cowork та OpenAI Codex

13.08.2026, 18:23 expert.com.ua

DeepSeek 13 серпня представила публічну бета-версію DeepSeek Harness (DSH) — агентного фреймворку для перетворення мовної моделі на повноцінного AI-агента. Одночасно компанія відкрила код DeepSeek-V4-Pro-0813 та екосистему плагінів, намагаючись посилити конкуренцію з Anthropic Claude Cowork та OpenAI Codex.

Harness орієнтований передусім на програмування й офісні сценарії. Його завдання — не просто генерувати текст або код, а керувати контекстом, інструментами, станом завдання, файлами та середовищем виконання.

Ключовий принцип архітектури DSH — «everything is a plugin». Фреймворк побудований поверх системи плагінів Cordis, яка відповідає за їхнє завантаження, вивантаження та керування залежностями.

Тобто окремими плагінами можуть бути практично всі складові агента:

Розробник може замінити або розширити окремий компонент без необхідності переписувати ядро Harness. Плагіни взаємодіють через сервіси та події Cordis, а їхня конфігурація визначає кінцеву поведінку агента.

DeepSeek фактично реалізує власну формулу «Модель + Harness = Агент»: LLM відповідає за інтелектуальну частину, тоді як Harness перетворює її на систему, здатну виконувати послідовність реальних дій.

DSH має командний інструмент dsh, який дозволяє запускати різні конфігурації середовища. Передбачені чотири основні режими:

Для запуску вебінтерфейсу розробникам достатньо Node.js та команди npx @deepseek-ai/dsh. Водночас код Harness також доступний через GitHub-репозиторій проєкту.

DeepSeek Harness на GitHub

Разом із Harness DeepSeek відкрила ваги V4-Pro-0813. Це MoE-модель із загальним обсягом 1,6 трильйона параметрів, але під час обробки одного токена активується близько 49 млрд параметрів.

За внутрішніми тестами DeepSeek, нова версія демонструє суттєвий приріст у задачах програмування. У Terminal Bench 2.1 модель отримала 87,9 бала проти 72,1 у попередньої версії. У DeepSWE показник зріс із 12,8 до 62,7, а DSBench-Hard досяг 67,2.

Водночас ці результати варто сприймати саме як внутрішні тести розробника, а не незалежне підтвердження переваги над конкурентами.

Публікація ваг під MIT-ліцензією має значення не лише для розробників. Відкритий підхід дозволяє розгортати модель у власній інфраструктурі, не прив’язуючись виключно до API конкретного хмарного провайдера.

Для бізнесу та державних організацій це потенційно означає більший контроль над даними, можливість локального розгортання та меншу залежність від одного постачальника AI-інфраструктури. Однак практична доступність такої моделі визначатиметься не лише відкритістю ваг, а й вимогами до GPU, пам’яті, мережевої інфраструктури та вартості inference.

DeepSeek робить ставку вже не просто на велику мовну модель, а на повний стек для створення агентів. Саме це робить Harness стратегічно цікавішим за черговий реліз LLM.

Якщо плагінна архітектура виправдає себе на практиці, розробники отримають можливість збирати власні агентні середовища, замінюючи моделі, інструменти та компоненти виконання без переписування всієї системи. У поєднанні з відкритими вагами V4-Pro це створює потенційно сильну альтернативу закритим AI-агентам.

Найважливішою тут може стати не сама цифра 1,6 трлн параметрів, а перехід DeepSeek від моделі до відкритої агентної платформи.

Стежте за новинами штучного інтелекту та програмування у рубриці IT HiTech Expert.

Читати повністю…